专题
2026/11/18 14:47

基于双注意力增强多尺度卷积神经网络的CSI人体活动识别

0
0

本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部

摘要:在智能安防与智慧家居等应用场景中,基于Wi-Fi信道状态信息的人体活动识别具有较高的研究价值与应用潜力。研究提出一种基于双注意力增强多尺度卷积神经网络的人体活动识别方法,通过引入子载波维度与特征通道维度的双重注意力机制,并结合多尺度卷积结构,有效提升模型对复杂CSI特征的学习与表征能力。多组公开数据集实验结果表明,该方法可实现更高的平均识别准确率,整体性能显著优于主流基线模型,尤其对行为模式相近的活动及细微动作识别,展现出更优异的鲁棒性。

关键字:信道状态信息;人体活动识别;注意力机制;卷积神经网络

doi:10.12045/j.issn.1007-3043.2026.10.015

概述

随着智能化服务的普及,精确且无感知的人体活动识别已成为智能安防与健康监护等领域的核心技术,具有重要研究价值与广阔的应用前景[1]。当前主流识别方法存在一定局限性:计算机视觉类方法识别效果直观,但存在隐私泄露隐患,且易受光照、遮挡等环境因素干扰[2];可穿戴设备识别精度较高,但其侵入式设计与频繁充电需求,严重制约了实际推广[3]。为克服上述局限,基于全域覆盖Wi-Fi 网络的无线感知技术,凭其低成本、广覆盖、非侵入等优势备受关注[4]。

早期无线感知研究多采用接收信号强度指示(RSSI),但该指标为单一标量、信息粒度粗糙,难以应对复杂人体活动识别。因此,研究重点转向更精细的物理层信道状态信息(CSI)。在室内多径传播环境中,人体活动会通过遮挡、反射等方式扰动信号传播路径,而CSI能以多子载波粒度精准感知信道动态变化,形成可辨识的活动“指纹”,为非接触式高精度感知奠定物理基础[5]。初期研究借助菲涅尔区模型,多普勒频移估计等物理模型进行参数化建模[6],但此类方法对硬件设备要求严苛,在复杂多径环境中易出现信号失真,难以表征姿态相似或细微动作,实际应用受限。

为此,摒弃复杂物理建模,转而从数据中自主学习映射关系的人工智能(AI)方法成为主流。其发展路径遵循着从传统机器学习到深度学习的演进。早期研究多采用支持向量机、随机森林[7]和K近邻器学习算法,但受限于繁琐的手动特征工程,模型泛化能力不足。深度学习的出现实现了技术突破,其端到端的学习模式可自动完成最优特征的提取与表达。针对CSI 数据特性,卷积神经网络(CNN)被广泛用于提取时频图中的局部纹理特征[9],循环神经网络(RNN)及其变体(如LSTM)则擅长建模信号在时间维度上的长程依赖关系[10-11]。二者融合架构显著提升了识别精度,成为当前该领域内的主流技术路径。但如何从高维、混噪的CSI数据中,智能提取对活动敏感且鲁棒的判别性特征,仍是当前亟待突破的瓶颈。

点击查看全文(PDF)>

免责声明:本文仅代表作者个人观点,与C114通信网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

给作者点赞
0 VS 0
写得不太好

C114简介     联系我们     网站地图

Copyright©1999-2026 c114 All Rights Reserved 沪ICP备12002291号-4

C114通信网版权所有 举报电话:021-54451141 用户注销